Big Data y Adaptación Analítica de Datos

Colección de tarjetas de vocabulario en español sobre los conceptos fundamentales de Big Data, sus 5V, tipos y fuentes de datos, proceso ETL, adaptación analítica, Power Query, Power Pivot y casos reales de aplicación.

Big Data

Conjuntos de datos tan grandes, veloces o variados que superan la capacidad de las herramientas tradicionales de gestión de bases de datos.

Volumen (Big Data)

Característica de las 5V que se refiere a la cantidad masiva de datos generados, abarcando desde gigabytes hasta petabytes por día en una sola organización.

Velocidad (Big Data)

Característica de las 5V que indica la rapidez con la que se generan y deben procesarse los datos, frecuentemente en tiempo real.

Variedad (Big Data)

Característica de las 5V que describe la diversidad de datos estructurados, semiestructurados y no estructurados provenientes de múltiples formatos.

Veracidad (Big Data)

Característica de las 5V enfocada en la confiabilidad y calidad del dato, donde un dato inexacto conduce a una decisión equivocada.

Valor (Big Data)

Característica de las 5V referente a la capacidad de convertir el dato en información útil que respalde decisiones empresariales.

Datos estructurados

Datos organizados en filas y columnas dentro de bases de datos relacionales, tales como registros de ventas, inventarios, planillas o sistemas ERP.

Datos semiestructurados

Datos que poseen etiquetas o metadatos pero no encajan en tablas rígidas, como archivos JSON, XML, correos electrónicos y logs de sistema.

Datos no estructurados

Datos sin un formato predefinido, incluyendo imágenes, videos, audios, publicaciones en redes sociales y documentos de texto libre.

Fuentes internas de datos

Orígenes de datos generados dentro de la organización, como sistemas transaccionales (ERP, CRM, punto de venta), bases de RRHH, logística y sensores IoT propios.

Fuentes externas de datos

Orígenes de datos ubicados fuera de la organización, como APIs públicas, web scraping en redes sociales, datos abiertos estatales (INEI, SUNAT, BCRP) y satélites.

API

Técnica de extracción mediante conexión directa a un servicio externo que entrega datos actualizados en un formato estándar como JSON o XML.

Web scraping

Técnica de extracción automatizada de datos publicados en páginas web cuando no existe una API disponible.

ETL

Proceso empresarial compuesto por tres fases: Extraer datos de diversas fuentes, Transformar (limpiar y estandarizar) y Cargar en sistemas analíticos.

Adaptación de datos

Proceso de transformar datos crudos extraídos de distintas fuentes en datos coherentes, comparables y listos para responder una pregunta analítica específica del negocio.

Regla de oro de la analítica

Principio sintetizado en la frase 'Basura entra, basura sale' (garbage in, garbage out), que establece que ningún análisis puede compensar datos mal adaptados.

Limpieza de datos

Técnica de transformación que consiste en eliminar duplicados, corregir errores de digitación y tratar valores vacíos o nulos.

Normalización de datos

Técnica de transformación que lleva los valores a una misma escala o unidad de medida para permitir su comparación.

Estandarización de datos

Técnica de transformación que unifica formatos de fecha, moneda, texto y nomenclatura entre distintas fuentes.

Power Query

Herramienta de Excel que conecta, limpia y transforma datos de múltiples fuentes registrando cada paso para automatizar el proceso cuando el origen se actualiza.

Power Pivot

Herramienta de Excel que modela y relaciona grandes volúmenes de datos transformados, permitiendo crear medidas y relaciones entre múltiples tablas.

Global Fishing Watch

Alianza entre Oceana, SkyTruth y Google que procesa señales AIS satelitales de más de 65 000 embarcaciones para crear un mapa público en tiempo real que expone la pesca ilegal.

The Next Big Sound

Plataforma adquirida por Pandora que recolecta datos de redes sociales y streaming vía APIs para construir modelos predictivos sobre éxitos musicales y el ranking Billboard 200.

Earth Insights

Sistema desarrollado por HP y Conservation International que procesa imágenes no estructuradas de cerca de 1 000 cámaras trampa para estimar poblaciones de fauna silvestre en peligro de extinción.

Yape

Fintech del Banco de Crédito del Perú (BCP) que genera un flujo masivo de datos transaccionales internos en tiempo real a través de pagos cotidianos con código QR.

UPS ORION

Sistema logístico que transforma datos crudos de GPS y entregas en variables analizables para recalcular secuencias óptimas de ruta y minimizar giros a la izquierda.

Google Flu Trends

Caso de alerta sobre fallas en adaptación de datos donde un modelo sobreestimó brotes de gripe al analizar búsquedas web sin recalibrarse ni validarse con datos reales de salud.

SUNAT

Administración tributaria peruana que normaliza comprobantes de pago electrónicos en formato XML y los cruza con datos bancarios y aduaneros para detectar inconsistencias y evasión.